Hallo Herr Paschke, in der Projektbeschreibung zum Projekt PlanQK steht der richtungweisende Satz: ‚Unser Ziel ist es, eine technische Basis zur Förderung des Wissens- und Technologieaustausches zwischen Quanten- und KI-Experten, Entwicklerinnen und potenziellen Nutzern von quantengestützter Künstlicher Intelligenz zu erschaffen.‘ Und als Zielgruppe dafür definieren Sie primär KMU, also kleinere und mittlere Unternehmen.

Richtig, aber ich kann das auch etwas weniger akademisch ausdrücken: Wir wollen Expertinnen und Experten einerseits und industrielle Anwender und Anwenderinnen andererseits zusammenbringen. Es soll eine Plattform entstehen, auf der Wissen zum Bereich Quantencomputing und Künstliche Intelligenz gesammelt wird. Aus diesem reichhaltigen Schatz an Informationen können Unternehmen dann spezifische und für sie geeignete Erfahrungen und Anwendungsszenarien zum Bereich Quantenunterstützte Künstliche Intelligenz entnehmen und für sich nutzen.

Aber das ist nur der eine Aspekt von PlanQK.

Der andere Aspekt liegt in der Plattform an sich, also im Generieren und Qualifizieren von Wissen. Der Bereich der Quantengestützten Künstlichen Intelligenz, kurz QKI, ist ein relativ unerforschtes Gebiet – insbesondere, wenn es um die praktische Anwendung geht.

Sie haben PlanQK kürzlich als eine Art ‚Nukleus‘ für QKI definiert.

Das Projekt, oder besser die Plattform, bildet letztlich nur den Kern dessen ab, was wir erreichen wollen. Denn es kommen schon heute mehr und mehr Vorhaben dazu, die um diesen Kern herum angeordnet werden können. Dazu gehören Themen etwa zum Benchmarking oder zu spezielleren Anwendungsdomänen. Aber auch Projekte, in denen Expertinnen und Experten daran arbeiten, die Plattform Cloud-fähig zu machen. Mit der Plattform und einer deutschen Quantencloud könnte dann ein Ökosystem für quantentechnische Anwendungen und Verwertungsperspektiven entstehen – bis hin zu einem Marktplatz. Über PlanQK gäbe es dann vorgefertigte Dienste und Apps, die Unternehmen dort einsehen und nutzen können – ähnlich, wie das heute beim Einsatz einer KI auf klassischen Cloudsystemen der Fall ist.

Allerdings müssen Sie bis dahin wissen, wie verschiedene Quantenalgorithmen im Vergleich zu klassischen Lösungen aussehen und wie effizient sie für industrielle Anwendungen genutzt werden könnten.

Wir müssen noch einiges mehr wissen. Denn es geht nicht nur um den Vergleich, sondern vor allem auch um die Frage, wie sich Künstliche Intelligenz für den Quantencomputer und Lösungen, die von klassischen Rechnern ausgeführt werden können, am besten kombinieren lassen. Beide Systeme müssen sich so sinnvoll ergänzen, dass sie sicher und möglichst ohne Reibungsverluste zusammenarbeiten. Nur dann können sie Berechnungen realisieren, die bislang schlicht nur mit extrem hohem Rechenaufwand oder gar nicht durchgeführt werden konnten.

Im Projekt werden aktuell fast 30 Use Cases genutzt, um die Einsatzmöglichkeiten von KI und Quantencomputern zu erforschen und zu testen. Dazu gehören Anwendungen zur Industriekomponentensteuerung, zu Anomalien in Finanztransaktionen, zur Verkehrssteuerung, zur Wasseranomalieerkennung in Gebäuden, zur Dienstplanoptimierung, zur Netzwerkwartung und zur Produktionslinienplanung.

All das sind erste Beispiele, die zeigen können, wo der Einsatz einer KI auf einem Quantenrechner sinnvoll sein kann. Durch das Nutzen eines Quantencomputers wird es nun erstmals beispielsweise möglich, dass ein Produzent vorhandene Materialien für eine Produktion zu 100 Prozent einplanen kann, während auf der anderen Seite aber bereits die Bestellungen für kommende Kundenaufträge aufgegeben werden. Mit einer KI und einem klassischen Rechner werden sie hochkomplexe Optimierungsprobleme wie dieses kaum lösen können. Dafür würden die Optimierungsberechnungen in Echtzeit zu lang dauern.

Es wird allerdings kaum reichen, den Unternehmen künftig ‚nur‘ gesammelte Algorithmenbeschreibungen und damit Lösungsbeschreibungen zur Verfügung zu stellen, damit sie Quantenunterstützte Künstliche Intelligenz nutzen können.

Nein, deswegen liegt ein Hauptaugenmerk unserer Aufgaben auch bei der Qualitätssicherung. Denn nur, wenn wir die Angebote genau kennen und geprüft haben, können wir ein Höchstmaß an Effizienz gewährleisten. Dabei geht es allerdings nicht darum, die eine Lösung für das eine, individuelle Problem zu finden und zur Verfügung zu stellen. Wir wollen und müssen das Angebot so flexibel gestalten, dass geprüfte Lösungen angeboten werden, die auch für Probleme in ähnlichen Bereichen funktionieren können. Ein Use Case, an dem wir gerade arbeiten, behandelt beispielsweise die Erkennung von Covid-19-Schäden in der Lunge. Unter Umständen lässt sich diese Methode aber auch auf die Krebserkennung übertragen.

Die Prüfung von vorhandenen Lösungen ist mit Sicherheit ein elementarer Bestandteil der Aufgaben, die auch Ihr Fraunhofer FOKUS übernimmt. Trotzdem ist es nur ein Teil dessen, was Ihre Forschung für dieses Projekt ausmacht.

»PlanQK« ist ein Projekt, das von einem Konsortium aus 18 Projektpartner*innen und über 52 assoziierte Partner*innen durchgeführt wird. Dazu gehören neben Forschungseinrichtungen wie Fraunhofer, Universitäten wie der Freien Universität Berlin, der Universität Stuttgart und der Ludwig-Maximilians-Universität München auch Unternehmen wie die Deutsche Bahn, die Deutsche Telekom, Trumpf, Accenture sowie KMUs und Start-Ups. Unser Team vom Fraunhofer-Institut für Offene Kommunikationssysteme FOKUS ist unter anderem mitzuständig für den Aufbau der Plattform und die semantische Organisation des dort erfassten Wissens. Dazu kommt das eben skizzierte Überprüfen unterschiedlichster Herangehensweisen und Anwendungsfälle. Hier können wir oft nur auf Forschungspapiere oder – wenn wir Glück haben – erste Implementierungen zurückgreifen, letztlich beschreiben diese Konzepte aber nur einen Kernalgorithmus und sind sehr weit weg von der eigentlichen Anwendung. Wir müssen dann Schritt für Schritt zunächst eruieren, wie das Problem definiert werden muss, für das wir eine Lösung anbieten. Danach untersuchen wir unter anderem, wie die Daten aufbereitet werden können, um die Informationen quantentauglich auf einem speziellen Hardware-Rechner einspielen zu können.

Aber die Anwendungen sind im Grunde vergleichbar mit den Aufgaben, die eine KI bisher übernommen hat…

Durch den zusätzlichen Einsatz von Rechenkapazitäten aus dem Quantencomputer können KI Lösungswege parallel berechnet und damit mehr Daten schneller verarbeitet und komplexere KI Aufgaben gelöst werden. Ein Beispiel sind Videoaufnahmen von Straßen. Es ist nun nicht nur möglich, den Systemen beizubringen, Straßenschäden visuell zu erkennen. Wir können zum Beispiel auch spezifische Daten der Fahrzeuge nutzen, etwa die von Erschütterungssensoren, aus denen eine QKI auch die Art des Straßenschadens errechnen kann. Ein anderer Fall ist der Bereich Pflege und Wartung von Maschinen. Auch hier lassen unterschiedlichste Daten wie etwa spezielle Bilddaten, Energieverbrauch oder auch Geräusche einen Einblick in den Zustand einer Maschine zu, ohne dass sie von Hand untersucht wird. Aber es müssen dafür komplexe KI-Modelle interpretiert werden, was durch Quantencomputer möglich wird. Wir erweitern die Möglichkeiten einer klassischen KI also erheblich.

(hen)